Instrumental shade sorting of coloured fabrics using genetic algorithm and particle swarm optimisation / Elham Hasanlou in COLORATION TECHNOLOGY, Vol. 139, N° 4 (08/2023)  

[article]  inCOLORATION TECHNOLOGY > Vol. 139, N° 4 (08/2023) . - p. 454-463 Titre : Instrumental shade sorting of coloured fabrics using genetic algorithm and particle swarm optimisation Type de document : texte imprimé Auteurs : Elham Hasanlou, Auteur ; Ali Shams Nateri, Auteur ; Hossein Izadan, Auteur Année de publication : 2023 Article en page(s) : p. 454-463 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Algorithmes génétiques Colorimétrie Dispositifs de tri Optimisation par essaims particulaires L'optimisation par essaims particulaires (OEP ou PSO en anglais) est une métaheuristique d'optimisation, inventée par Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-psychologue) en 1995. Algorithme Cet algorithme s'inspire à l'origine du monde du vivant. Il s'appuie notamment sur un modèle développé par Craig Reynolds à la fin des années 1980, permettant de simuler le déplacement d'un groupe d'oiseaux. Une autre source d'inspiration, revendiquée par les auteurs, James Kennedy et Russel Eberhart, est la socio-psychologie. Cette méthode d'optimisation se base sur la collaboration des individus entre eux. Elle a d'ailleurs des similarités avec les algorithmes de colonies de fourmis, qui s'appuient eux aussi sur le concept d'auto-organisation. Cette idée veut qu'un groupe d'individus peu intelligents peut posséder une organisation globale complexe. Ainsi, grâce à des règles de déplacement très simples (dans l'espace des solutions), les particules peuvent converger progressivement vers un minimum global. Cette métaheuristique semble cependant mieux fonctionner pour des espaces en variables continues. (Wikipedia) Textiles et tissus teints Index. décimale : 667.3 Teinture et impression des tissus Résumé : In the present research by combination of Clemson Colour Clustering (CCC) instrumental shade sorting method and two metaheuristic algorithms, a genetic algorithm (GA) and a particle swarm optimisation (PSO), two new shade sorting methods, called CCCGA and CCCPSO were proposed. Then these proposed methods were applied on 16 well-prepered colour sets made of coloured fabrics and their results were compared using some important performance evaluation factors. The results of the methods were also compared with conventional CCC shade sorting method and a method based on CCC combined with k-means technique (CCCk). The results obtained from various shade sorting methods showed that the CCCGA and CCCPSO methods successfully sorted the coloured fabrics with high efficiency, and their results slightly outperformed the results of the CCC method. Note de contenu : - INTRODUCTION : Genetic algorithm - Particle swarm optimisation - MATERIALS AND METHODS : Preparation of samples and colour measurement - Determining the colour tolerance of coloured fabrics - Shade sorting using the genetic algorithm - Shade sorting using particle swarm optimisation - RESULTS AND DISCUSSION : Performance evaluation factors of shade sorting methods - Number of sorted groups - Colour variation within the groups - Compactness of the points in sorted groups - Utilisation of the fabric - Table 1 : Specifications and colour tolerance of the 16 fabric colour sets - Table 2 : The values of the parameters and genetic operators used in the genetic algorithm - Table 3 : The values of the parameters used in the particle swarm optimisation - Table 4 : The colour variation within the groups formed by various shade sorting methods and the number of sorted groups by Clemson Colour Clustering (CCC) shade sorting - Table 5 : The compactness of the points in sorted groups by different shade sorting methods - Table 6 : The number of groups containing only one sample and the percentage of groups in low utilisation by different shade sorting methods DOI : https://doi.org/10.1111/cote.12663 En ligne : https://onlinelibrary.wiley.com/doi/epdf/10.1111/cote.12663 Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=39682 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
24152	-	Périodique	Bibliothèque principale	Documentaires	Disponible

A novel approach for recipe prediction of fabric dyeing based on feature-weighted support vector regression and particle swarm optimisation / Feng Li in COLORATION TECHNOLOGY, Vol. 138, N° 5 (10/2022)  

[article]  inCOLORATION TECHNOLOGY > Vol. 138, N° 5 (10/2022) . - p. 594-508 Titre : A novel approach for recipe prediction of fabric dyeing based on feature-weighted support vector regression and particle swarm optimisation Type de document : texte imprimé Auteurs : Feng Li, Auteur ; Caiting Chen, Auteur ; Zhiping Mao, Auteur Année de publication : 2022 Article en page(s) : p. 594-508 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Analyse vectorielle Coton Le coton est une fibre végétale qui entoure les graines des cotonniers "véritables"(Gossypium sp.), un arbuste de la famille des Malvacées. Cette fibre est généralement transformée en fil qui est tissé pour fabriquer des tissus. Le coton est la plus importante des fibres naturelles produites dans le monde. Depuis le XIXe siècle, il constitue, grâce aux progrès de l'industrialisation et de l'agronomie, la première fibre textile du monde (près de la moitié de la consommation mondiale de fibres textiles). Optimisation par essaims particulaires L'optimisation par essaims particulaires (OEP ou PSO en anglais) est une métaheuristique d'optimisation, inventée par Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-psychologue) en 1995. Algorithme Cet algorithme s'inspire à l'origine du monde du vivant. Il s'appuie notamment sur un modèle développé par Craig Reynolds à la fin des années 1980, permettant de simuler le déplacement d'un groupe d'oiseaux. Une autre source d'inspiration, revendiquée par les auteurs, James Kennedy et Russel Eberhart, est la socio-psychologie. Cette méthode d'optimisation se base sur la collaboration des individus entre eux. Elle a d'ailleurs des similarités avec les algorithmes de colonies de fourmis, qui s'appuient eux aussi sur le concept d'auto-organisation. Cette idée veut qu'un groupe d'individus peu intelligents peut posséder une organisation globale complexe. Ainsi, grâce à des règles de déplacement très simples (dans l'espace des solutions), les particules peuvent converger progressivement vers un minimum global. Cette métaheuristique semble cependant mieux fonctionner pour des espaces en variables continues. (Wikipedia) Prévision, Théorie de la Taffetas Le taffetas est, au sens premier du terme, un tissu d'armure toile en soie. - Histoire : L'appellation est réputée venir d'un mot persan ("taftâ"), désignant littéralement "ce qui est tissé". On trouve ainsi l'expression "armure taffetas" en confection pour désigner une armure de toile (tissée selon le principe : un fil pris, un fil laissé). Les taffetas se distinguent selon leurs motifs, ou les couleurs de fils utilisés dans leurs chaînes et leurs trames. Ainsi que la matière qui le recouvre. On distingue : le taffetas amidonné ; le taffetas barré ; le taffetas broché ; le taffetas caméléon ; le taffetas chiné ; le taffetas damier ; le taffetas de laine ; le taffetas prismatique ; le taffetas prussien ; le taffetas changeant. (Wikipedia) Teinture -- Fibres textiles Index. décimale : 667.3 Teinture et impression des tissus Résumé : Recipe prediction is one of the most critical steps in the fabric dyeing industry. The conventional Kubelka–Munk model and neural network techniques have been widely used in recipe prediction systems. However, there are some limitations to these two methods : predictions using the Kubelka–Munk model may not be robust enough; and neural networks require large amounts of training data. Therefore, this paper investigates a novel recipe prediction method for fabric dyeing based on feature-weighted support vector regression and particle swarm optimisation. Feature-weighted support vector regression improved with particle swarm optimisation was first developed to predict the CIELab coordinates for given dye concentrations, expressed as . Particle swarm optimisation was utilised again in the recipe prediction stage to search for the optimal recipe in an iterative process. The optimisation criterion is to minimise the colour differences (CMC [2:1]) between the CIELab value calculated by feature-weighted support vector regression improved with particle swarm optimisation and the target CIELab of a swatch. Dyeing data based on two different fabrics (cotton and taffeta) were used in the experiment. The proposed method revealed good results with a slight average colour difference between the target and reproduced colours. The absolute percentage errors in predicting concentrations were less than 5% in most of our experimental recipes. In addition, the comparative experimental results illustrate that our method had higher accuracy and better practical applicability than other methods. Note de contenu : - METHODOLOGY AND PROPOSED RECIPE PREDICTION METHOD INTRODUCTION : Basic algorithm introduction - Proposed recipe prediction method - EXPERIMENTAL : Dataset - Evaluation index - RESULTS AND DISCUSSION : Results analysis of the proposed method - Comparison and discussion - Table 1 : CIELab coordinates and recipes for the validation set of dyed taffeta samples - Table 2 : CIELab coordinates and recipes for the validation set of dyed cotton samples - Table 3 : Recipe prediction results for the validation set of dyed taffeta - Table 4 : Recipe prediction results for the validation set of dyed cotton - Table 5 : Comparison of prediction errors of different methods in the validation set DOI : https://doi.org/10.1111/cote.12607 En ligne : https://onlinelibrary.wiley.com/doi/epdf/10.1111/cote.12607 Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=38124 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
23613	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Transmission reconstruction of transparent solutions using particle swarm optimisation / Elham Farazandemehr in COLORATION TECHNOLOGY, Vol. 138, N° 2 (04/2022)  

[article]  inCOLORATION TECHNOLOGY > Vol. 138, N° 2 (04/2022) . - p. 184-191 Titre : Transmission reconstruction of transparent solutions using particle swarm optimisation Type de document : texte imprimé Auteurs : Elham Farazandemehr, Auteur ; Elaheh Daneshvar, Auteur Année de publication : 2022 Article en page(s) : p. 184-191 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Caractérisation Colorimétrie Optimisation par essaims particulaires L'optimisation par essaims particulaires (OEP ou PSO en anglais) est une métaheuristique d'optimisation, inventée par Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-psychologue) en 1995. Algorithme Cet algorithme s'inspire à l'origine du monde du vivant. Il s'appuie notamment sur un modèle développé par Craig Reynolds à la fin des années 1980, permettant de simuler le déplacement d'un groupe d'oiseaux. Une autre source d'inspiration, revendiquée par les auteurs, James Kennedy et Russel Eberhart, est la socio-psychologie. Cette méthode d'optimisation se base sur la collaboration des individus entre eux. Elle a d'ailleurs des similarités avec les algorithmes de colonies de fourmis, qui s'appuient eux aussi sur le concept d'auto-organisation. Cette idée veut qu'un groupe d'individus peu intelligents peut posséder une organisation globale complexe. Ainsi, grâce à des règles de déplacement très simples (dans l'espace des solutions), les particules peuvent converger progressivement vers un minimum global. Cette métaheuristique semble cependant mieux fonctionner pour des espaces en variables continues. (Wikipedia) Régression (statistiques) La régression est un ensemble de méthodes statistiques très utilisées pour analyser la relation d'une variable par rapport à une ou plusieurs autres. Solutions (chimie) Spectres de transmission Transparence (optique) Index. décimale : 535.6 Couleur Résumé : In this paper, we present a new approach for transmission reconstruction of transparent solutions by combining the particle swarm optimisation algorithm and the matrix S method. To perform colorimetric characterisation, a digital camera was characterised using a training set of coloured solutions and the particle swarm optimisation method to obtain an optimised transfer matrix of RGB to CIE XYZ values. Then the transformation matrix was used to calculate the CIE XYZ values of test colour solutions. Next, the estimated CIE XYZ values were used to reconstruct the transmission spectra of the unknown solutions by applying the matrix S method. The experimental results on real datasets demonstrate that the proposed technique significantly outperforms the existing method in terms of transmission reconstruction. Note de contenu : - METHODOLOGY : Proposed method - Particle swarm optimisation - Spectral data reconstruction using the matrix R method - Spectral data reconstruction using the matrix S method - EXPERIMENTAL : Preparation of dye solutions and image capturing - RESULTS AND DISCUSSION : Colorimetric characterisation - Transmission reconstruction - Table 1 : Basic dyes used - Table 2 : Statistical results of colorimetric characterisation using the particle swarm optimisation (PSO) method compared with polynomial regression for the training dataset - Table 3 : Statistical result of colorimetric characterisation using the particle swarm optimisation (PSO) method compared with polynomial regression for the testing dataset - Table 4 : Accuracy of transmission reconstruction by different method in terms of root mean square (RMS), goodness-of-fit coefficient (GFC) and colour difference (ΔΕ*ab) under D65 illuminant and 1964 standard observer DOI : https://doi.org/10.1111/cote.12583 En ligne : https://onlinelibrary.wiley.com/doi/epdf/10.1111/cote.12583 Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=37849 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
23518	-	Périodique	Bibliothèque principale	Documentaires	Disponible

---

1 (1 - 3 / 3)